Para agentes de IA: um índice de documentação está disponível em https://www.mongodb.com/pt-br/docs/llms.txt — as versões de markdown de todas as páginas estão disponíveis anexando .md a qualquer caminho de URL.

Plataforma de dados de carregamento de veículos elétricos conectados

Unifique os dados de carregamento de VE e a operação com o MongoDB para criar experiências de carregamento dimensionáveis e responsivas e se adaptar rapidamente à medida que sua infraestrutura cresce.

Casos de uso: Internet das coisas

Setores: Manufatura e Mobilidade

Produtos e ferramentas: MongoDB Atlas, MongoDB Search, Séries temporais do MongoDB

Parceiros: Vercel, Apollo GraphQL

Seja você um OEM automotivo, um provedor de energia ou serviços públicos, ou uma inicialização de tecnologia de mobilidade, o carregamento de veículos elétricos (VE) conectados exige a reunião de dados que mudam em velocidades diferentes e alimentam diferentes partes da experiência de carregamento.

Esses dados incluem:

  • Localização das estações e funcionalidade dos conectores.

  • Disponibilidade da estação e sessões ativas.

  • Preços.

  • Eventos operacionais.

À medida que as redes de carregamento crescem, manter esses dados consistentes e acessíveis em experiências voltadas para o driver e operacionais torna-se cada vez mais importante para fornecer serviços confiáveis e tomar decisões informadas.

Esta solução demonstra como uma camada de dados operacional unificada pode reunir essas cargas de trabalho no MongoDB. Uma base de dados compartilhada oferece suporte a experiências de carregamento em tempo real e fornece aos operadores uma visão consistente da atividade da estação e da sessão.

Dentro de uma única arquitetura de aplicativo, a solução gerencia:

  • Descoberta e disponibilidade de estações.

  • Cobrança de reservas e sessões ativas.

  • Eventos operacionais e telemetria.

A abordagem usa o document model do MongoDB para organizar dados em torno de padrões de acesso de aplicativo, enquanto as query geoespaciais oferecem suporte à descoberta com reconhecimento de localização, as atualizar condicionais ajudam a manter a disponibilidade precisa e os change streams conectam as mudanças de estado operacional com o em processamento downstream. A consolidação de dados operacionais em uma plataforma flexível permite que sua equipe crie aplicativos de carregamento conectados que se adaptam à medida que as redes, os requisitos de dados e as necessidades operacionais crescem.

A solução reúne experiências de driver, operações de carregamento, simulação de estação e dados operacionais por meio de uma arquitetura de aplicativo unificada.

O aplicativo Next.js oferece duas experiências principais:

  • driver aplicativo: Usado para descoberta de estações e gerenciamento de sessões de carregamento.

  • Operations Control Center: Usado para monitorar a atividade de cobrança em tempo real e dados de operação.

O aplicativo se comunica bidirecionalmente com o Charging Station Gerenciamento System (CSMS), criado com Apollo GraphQL. O CSMS fornece o contrato do aplicativo para fluxos de trabalho de carregamento e conecta as ação do aplicativo com as operação da estação de carregamento. O aplicativo também se integra a serviços baseados em localização por meio do OpenStreetMap para oferecer suporte à descoberta de estações e experiências baseadas em localização.

Um simulador Python FastAPI representa a atividade da estação de carregamento e gera telemetria de sessão. MongoDB change streams capturam alterações de estado na sessão de carregamento para o fluxo de trabalho de CSMS para simulador. O simulador usa esses eventos para:

  • Inicie ou interrompa em processamento de uma sessão de cobrança.

  • Calcule o estado de carregamento simulado.

  • Gerar telemetria de sessão.

O MongoDB fornece a plataforma de dados operacionais unificada em toda a arquitetura. Ele integra todos os dados necessários para a experiência de carregamento de ponta a ponta — desde o contexto do driver e do veículo até a infraestrutura de carregamento, atividade da sessão, eventos operacionais e telemetria de alto volume.

À medida que sua solução evolui, as funcionalidades do MongoDB, como query geoespacial, coleção de séries temporais, Atlas Search e arquivo online, oferecem suporte a diversos dados e padrões de acesso.

O modelo de dados segue a forma como os aplicativos de carregamento de VE realmente funcionam: os drivers precisam de uma visão completa de uma sessão de carregamento, as pesquisas de estação precisam de localização e disponibilidade juntas, enquanto a telemetria precisa ser tratada como um fluxo de alto volume. O document model do MongoDB permite que você molde cada coleção em torno desses padrões de acesso específicos.

A solução utiliza as seguintes coleções principais:

  • users e vehicles: Armazenar informações do driver e do veículo.

  • chargingStations e chargingPoints: Acompanhar a descoberta de estações e o estado do Equipamento de Abastecimento de Veículos Elétricos (EVSE).

  • chargingSessions: gerenciar reservas, sessões ativas e histórico de carregamento.

  • incidents: Acompanhe problemas operacionais.

  • telemetry: armazenar dados de carregamento de alto volume.

O document model torna a solução intuitiva e mais fácil de implementar.

Por exemplo, a coleção chargingSessions usa o Padrão de Referência Estendida para manter os dados do histórico da sessão juntos. Juntamente com as referências ao veículo e à estação subjacentes, a sessão armazena pequenos snapshot dos detalhes relevantes.

{ "status": "COMPLETED", "stationSnapshot": { "name": "Downtown Mall Charging", "addressShort": "Main St 10, Zurich", "chargingPointLabel": "Bay 1" }, "vehicleSnapshot": { "make": "BMW", "model": "i3" }, "charging": { "energyDeliveredKwh": 52.4 }, "pricingSnapshot": { "currency": "EUR", "priceCentsPerKwh": 55 }, "cost": { "totalCents": 2882 }}

Quando os drivers visualizam seu histórico de sessão, o aplicativo recupera essas informações de um único documento sem unir várias coleções. Os snapshot também preservam o contexto histórico da sessão, mesmo que os dados subjacentes da estação ou do veículo mudem posteriormente.

O mesmo princípio simplifica a descoberta de estações. A coleção chargingStations armazena sua localização como GeoJSON, permitindo que as query geoespaciais do MongoDB encontrem estações próximas à localização de um driver. Ele também mantém contagens de disponibilidade calculadas e uma projeção limitada da funcionalidade do ponto de carregamento, para que as query de pesquisa e de mapa comuns possam ser respondidas diretamente do documento da estação.

{ "name": "Downtown Mall Charging", "location": { "type": "Point", "coordinates": [8.5417, 47.3769] }, "availability": { "availableNowPoints": 7 }, "chargingPoints": [ { "connectors": [ { "type": "CCS", "power": 150 }, { "type": "TYPE2", "power": 22 } ] } ]}

O estado operacional que muda com frequência permanece na coleção chargingPoints separada para evitar atualizar documentos da estação sempre que o status de um ponto de carregamento muda. Essa separação também mantém o modelo eficiente à medida que o volume de telemetria aumenta.

A telemetria tem um padrão de acesso diferente: é de alto volume, baseada em tempo e em crescimento contínuo. A solução mantém a telemetria separada e usa uma coleção de séries temporais do MongoDB com um índice TTL para forçar automaticamente as políticas de retenção. Para dados de vida útil mais longa, o MongoDB online arquivo move dados mais antigos para um armazenamento de menor custo, fornecendo uma maneira nativa de gerenciar o ciclo de vida dos dados sem criar fluxos de trabalho de arquivo separados.

{ "timestamp": "2026-02-12T08:11:58Z", "meta": { "stationId": "65c8f2e2d2f4c3a9b3b9b001", "chargingPointId": "65c8f2e2d2f4c3a9b3b9b101", "stationCode": "station-001", "chargingPointCode": "cp_station-001_01" }, "messageType": "SESSION_SAMPLE", "ok": true, "powerKw": 120, "energyKwhDelta": 0.4, "voltageV": 400, "currentA": 300, "temperatureC": 31.2}

Esses padrões mantêm a implementação focada nos fluxos de trabalho reais do aplicativo, permitindo que cada tipo de dados seja dimensionado e evolua de forma independente. O resultado é um document model prático que reduz a complexidade do aplicativo sem sacrificar a flexibilidade.

Para executar a solução localmente, conclua as seguintes etapas:

1

Instale o Docker, clone o repositório e copie .env.example para .env para adicionar sua string de conexão do MongoDB.

2

Execute make build para iniciar o aplicativo, o backend CSMS e o simulador de estação de carregamento. A solução preenche automaticamente o banco de dados na primeira vez que você o executa.

3

Abra http://localhost:3000 para testar a jornada do driver: encontrar uma estação próxima, filtro ponto de carregamento, fazer uma reserva, iniciar uma sessão e relatar um incidente.

4

Mude para o Centro de Controle de Operação para visualizar a atividade da sessão, telemetria, utilização, incidentes e análise à medida que a atividade de carregamento muda.

Para obter instruções completas de configurar, opções de desenvolvimento local, variáveis de ambiente e comandos adicionais, consulte o repositório do Github.

  • Unifique os dados e as operações de carregamento de veículos elétricos: consolide as experiências dos drivers, a infraestrutura de carregamento, os dados operacionais e a telemetria em uma única plataforma de dados operacionais para melhorar a visibilidade e simplificar a arquitetura.

  • Simplifique o desenvolvimento e a evolução: use o document model flexível e os padrões de esquema do MongoDB para criar e adaptar fluxos de trabalho de carregamento conforme os requisitos mudam.

  • Criar para disponibilidade e dimensionar: Combinar dados em tempo real, em processamento orientado a eventos e funcionalidades nativas do MongoDB para suportar experiências de carregamento responsivas conforme a infraestrutura e os volumes de dados crescem.

  • Amplie as operações com IA: use o contexto de estação, sessão, incidente e telemetria conectados como base para suporte assistido por IA e fluxos de trabalho de decisão operacional.

  • Rami Pinto, MongoDB

  • Humza Akhtar, MongoDB

  • Daniel Jamir, MongoDB